基于小波變換的圖像去噪方法研究

1、基于小波變換的圖像去噪方法研究01研究背景與意義03噪聲及去噪圖像質(zhì)量評價02傳統(tǒng)去噪方法04基于小波變換圖像去噪05調(diào)用到的程序以及函數(shù)Contents目錄06比較并得出結(jié)論現(xiàn)實中的圖像由于種種原因都是帶噪聲的。噪聲惡化了圖像質(zhì)量，使圖像模糊，甚至淹沒和改變特征，給圖像分析和識別帶來困難。為了去除噪聲，會引起圖像邊緣的模糊和一些紋理細節(jié)的丟失。反之，進行圖像邊緣增強也會同時增強圖像噪聲。實驗表明，基于小波變換的圖像去噪方法應(yīng)用于農(nóng)產(chǎn)品圖像去噪具有信噪比高、視覺效果好等優(yōu)點，將小波變換用于農(nóng)產(chǎn)品圖像去噪是有效、可行的。因而本文進行了基于小波變換的對圖像去噪方法的研究。闡述了小波去噪原理和方法，

2、初步探討了小波去噪中的閾值選取，并基于MATLAB實現(xiàn)了小波去噪中軟、硬閾值的計算機仿真，并對實驗結(jié)果進行了分析比較。容請寫在這里您的內(nèi)容請寫在這里您的內(nèi)容請寫在這里您的內(nèi)容您的內(nèi)容請寫在這里研究背景研究背景圖像去噪是圖像處理研究領(lǐng)域中的一個基礎(chǔ)而又重要的問題。在農(nóng)業(yè)信息化、智能化、自動化分級與檢測和機器視覺等領(lǐng)域，涉及到大量的農(nóng)產(chǎn)品圖像處理問題，圖像去噪作為重要的圖像預(yù)處理步驟之一。在傳統(tǒng)的去噪方法中，有效的去噪和保留圖像細節(jié)信息是非常矛盾的 ，其去噪效果都不是很理想。小波變換在對圖像進行去噪的同時，又能成功地保留圖像的邊緣信息。研究意義研究意義5依據(jù)噪聲對圖像的影響，可將噪聲分為加性噪聲和

3、乘性噪聲兩大類。由于乘性噪聲可以通過變換當(dāng)加性噪聲來處理，因此我們一般重點研究加性噪聲。加性噪聲中包括椒鹽噪聲、高斯噪聲等典型的圖像噪聲，所以本文去噪的主要目的是去掉高斯噪聲和椒鹽噪聲對圖像的影響。噪聲噪聲6峰值信噪比（PSNR）和均方誤差（MSE）。去噪性能評價指標10log()MNPSNRMSE2222121niniMSEnnxxxx小波變換小波變換小波能夠消噪主要得益于小波變換具有低觴性、多分辨率特性、去相關(guān)小波能夠消噪主要得益于小波變換具有低觴性、多分辨率特性、去相關(guān)性、基函數(shù)選擇靈活。性、基函數(shù)選擇靈活。2021-12-128含噪圖像閾值選擇小波分解小波重構(gòu)圖像小波高頻系數(shù)處理小波去

4、噪流程小波去噪流程小波閾值去噪方法小波閾值去噪方法 計算含噪圖像的正交小波變換。選擇合適的小波基和小波分解層數(shù)J（本文選取J=2），運用MALLAT分解算法將含噪圖像進行J層小波分解，得到相應(yīng)的小波分解系數(shù)。A對分解后的高頻系數(shù)進行閾值量化，對于從1到J的每一層，選擇一個恰當(dāng)?shù)拈撝?每層的閾值不相同)和合適的閾值函數(shù)將分解得到的高頻系數(shù)進行閾值量化，得到估計小波系數(shù)。B進行小波逆變換。根據(jù)圖像小波分解后的第J層低頻系數(shù)（尺度系數(shù)）和經(jīng)閾值量化處理后得到的各層高頻系數(shù)（小波系數(shù)），運用MALLAT重構(gòu)算法進行小波重構(gòu)，得到去噪后的圖像。C小波閾值法的一個中心問題是閾值的確定，閾值選取的好壞直接關(guān)

5、系到圖像去噪效果的好壞，如果選取較小的閾值，可以盡可能多的保留小波系數(shù)，從而可能保留更多的圖像信息，但同時噪聲也被保留下來。反過來，如果設(shè)定一個較大的閾值，這樣可以消除更多的噪聲，同時也會損失圖像中的高頻信息。硬閾值函數(shù):小波系數(shù)的絕對值不小于設(shè)定閾值，令其保持不變作為估計小波系數(shù)，否則的話，令其為零。硬閾值函數(shù):小波系數(shù)的絕對值不小于設(shè)定閾值，令其減去設(shè)定閾值作為估計小波系數(shù)，否則的話，令其為零。閾值的選取通用閾值：本文設(shè)定閾值： 閾值函數(shù)的選取閾值函數(shù)的選取, |0, |j kj kj kj k ,sgn().(| ) , |0, |jkjkjkjkjk 2 ln Nj2ln N比較不同母

6、小波函數(shù)對小波閾值去噪影響小波函數(shù)db2分解后重構(gòu)圖像小波函數(shù)sym4分解后重構(gòu)圖像原圖像含噪圖像對同類型噪聲不同濾波法去噪效果對比維納濾波硬閾值去噪軟閾值去噪椒鹽噪聲圖像加入密度為0.01的椒鹽噪聲：中值濾波均值濾波對含有不同噪聲類型的同一圖像采用這幾種濾波方法進行處理3 3fanshiliu圖像去噪后的質(zhì)量評價結(jié)果第第章章密度為0.01椒鹽噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR81.7681 93.079774.258374.4833MSE4.3278e-0053.1997e-0050.00240.0023密度為0.03椒鹽噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR77.7

7、44392.425970.607373.8957MSE0.00113.7196e-0050.00570.0027方差為0.01高斯白噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR77.0000 75.552375.377773.5693MSE0.00130.00180.00190.0029密度為0.03高斯白噪聲中值濾波均值濾波維納濾波小波閾值去噪PSNR75.0208 73.987873.916572.5543MSE0.00200.00260.00260.0036部分程序close all;clear all;clc;%關(guān)閉所有圖形窗口，清除工作空間所有變量，清除命令行I=imread(F

8、:matlabbinfanshiliu.jpg);I=rgb2gray(I);I=im2double(I);J=imnoise(I,gaussian,0,0.01);PSF=fspecial(average,3);%產(chǎn)生PSFL=imfilter(J,PSF);%均值濾波K=medfilt2(J,3,3);%中值濾波M=wiener2(J,3,3);%自適應(yīng)維納濾波c,l=wavedec2(J,2,sym4);%用sym4小波函數(shù)對圖像進行兩層分解a2=wrcoef2(a,c,l,sym4,2);%重構(gòu)第2層圖像的近似系數(shù)n=1,2;%設(shè)置尺度向量p=10.28,24.08;%設(shè)置閾值向量nc

9、=wthcoef2(t,c,l,n,p,s);mc=wthcoef2(t,nc,l,n,p,s);N=waverec2(mc,l,db2);figure;subplot(321);imshow(I);xlabel(圖1-1 原圖像)subplot(322);imshow(J);xlabel(圖1-2 高斯噪聲圖像)subplot(323);imshow(K);xlabel(圖1-3 均值濾波)subplot(324);imshow(L);xlabel(圖1-4 中值濾波)subplot(325);imshow(M);xlabel(圖1-5 維納濾波)subplot(326);imshow(N)

10、;xlabel(圖1-6 小波閾值去噪)結(jié)論結(jié)論中值濾波是常用的非線性濾波方法，對椒鹽噪聲特別有效，取得了很好的效果，而對高斯噪聲效果不佳。B維納濾波對高斯噪聲有明顯的抑制作用，相對與均值濾波和中值濾波，維納濾波對這兩種噪聲的抑制效果更好，缺點就是容易失去圖像的邊緣信息。C小波閾值去噪對小波系數(shù)進行閾值處理可以在小波變換域中去除低幅值的噪聲和不期望的信號，效果最好。D均值濾波是典型的線性濾波，對高斯噪聲的抑制是比較好的，但對椒鹽噪聲的抑制作用不好，椒鹽噪聲仍然存在，只不過被削弱了而已。A用到的相關(guān)函數(shù)用到的相關(guān)函數(shù)2021-12-12小波分解：小波分解：sym4()sym4()函數(shù)；函數(shù)；wavedec2()wavedec2()函數(shù)函數(shù)小波重構(gòu)小波重構(gòu): :提取細節(jié)提取細節(jié)wrcoef2()wrcoef2()函數(shù)。函數(shù)。2021-12-12小波閾值圖像去噪方法可以去除圖像的絕大部分噪聲，有較好的效果，但是由于閾值函數(shù)和閾值選取方式自身存在的問題，設(shè)置的閾值并不能完全去除圖像噪聲，還會由于閾值函數(shù)的問題而使去噪后的圖像視覺效果不佳，這就需要對閾值函數(shù)和閾值選取方式進行不斷的改進，得到可以更好地去除圖像噪聲的小波閾值去噪方法。實際應(yīng)用中去噪實際應(yīng)用中去噪2021-12-12本次是對已知噪聲圖像